以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Pretrained Time-Series Foundation Models (TSFMs) provide strong representations for downstream classification tasks. Yet adapting a TSFM under changing operating conditions remains challenging. A model must improve on each newly observed condition without sacrificing conditions it has already learned, often from only a
阅读原文 · Sachith Abeywickrama, Peiliang Gong, Emadeldeen Eldele, Min Wu, Chau Yuen
向阳乔木 · opencode-go/deepseek-v4.1-flash
时间序列基础模型(TSFM)预训练完之后,放到真实工况里往往要面对一个尴尬局面:设备在变、环境在变,模型得跟着适应,但每来一个新工况只给一点点标注数据,推理时还不告诉你现在是哪个工况。 这篇论文就在处理这个问题,而且它找到一个挺有意思的切入点。 这篇论文想解决什么 TSFM 在下游分类任务上表征能力很强,可一旦运行条件发生漂移,直接做全局微调会出事: 新工况...